无约束MCMC采样完全未混合，ergm系列模型运行失败求助

模型代码 #

gw1_help <- ergm.tapered(
  supnet ~ edges + nodefactor("work") + nodefactor("income") +
    nodefactor("edu") + nodefactor("religious") + nodefactor("gender") + 
    nodecov("age") + edgecov(sup_loca2_net,"distance") + edgecov(kin_sup,"kinweight") +
    gwidegree(.1, T) + gwesp(.1, T) + gwdsp(.1, T), 
  control = control.ergm.tapered(
    MCMC.samplesize = 1e+5, 
    MCMC.burnin = 1e+6, 
    MCMC.interval = 1000, 
    seed = 567
  ), 
  eval.loglik = T, 
  verbose = T
) 

报错信息 #

Error in ergm.MCMLE(init, nw, model, initialfit = (initialfit <- NULL), : Unconstrained MCMC sampling did not mix at all. Optimization cannot continue.

排查方向 #

这个错误基本是数据或模型设定层面的问题，而非程序漏洞（ergm系列是社交网络分析领域的成熟工具，这类报错大多和用户输入相关），可从以下角度排查：

• 简化模型结构：当前模型一次性加入了过多节点因子、协变量及GW类参数，且GW带宽统一设为0.1，可能导致模型过度复杂，MCMC难以收敛。建议从最简模型（比如仅edges项）开始，逐步添加变量，确认每一步都能正常运行后再叠加更多项。
• 调整MCMC参数：当前设置的MCMC.burnin、samplesize数值过大，若模型本身不兼容，反而会浪费计算资源。可先尝试缩小参数（比如MCMC.burnin=1e5、MCMC.samplesize=1e4、MCMC.interval=100），测试模型能否初步运行，再根据结果逐步优化。
• 检查数据特征：查看网络supnet是否存在极端结构（如孤立节点过多、密度极低/极高）；检查协变量（distance、kinweight、age等）是否有缺失值、极端值，或变量尺度差异过大，这些都会干扰MCMC采样混合。
• 优化GW参数带宽：GW类参数的带宽0.1可能过小，导致模型对局部结构过度敏感。可尝试调整带宽（如0.5、1），或用mcmc.diagnostics()工具查看采样链状态，判断是否是带宽设置不合理导致的问题。

内容的提问来源于stack exchange，提问作者cccbc